支持向量机在中长期径流预报中的应用

本文探索了支持向量机在中长期径流预报中的应用。在支持向量机建模过程中引入了径向基核函数,简化了非线性问题的求解过程,并应用SCE-UA算法辨识支持向量机的参数。在SCE-UA搜索过程中进行了指数变换,以快速准确的找到最优参数。与人工神经网络模型预报结果比较显示,该模型能提高径流中长期预报的精度。     

基于遗传算法的支持向量机在径流中长期预报中的应用

支持向量机在径流中长期预报的应用中,普遍采用网格搜索法率定其参数,存在耗时较长、参数选取不当而导致预报精度低等问题,针对该问题提出了一种基于遗传算法的支持向量机模型,该模型结合遗传算法收敛速度快的特点对支持向量机参数进行优化选择,实现参数的全局自动化选取。应用乌江流域某电站的径流预报结果显示,相对于基于网格搜索参数寻优的支持向量机模型及神经网络模型,基于遗传算法参数寻优的支持向量机模型预报精度更高,泛化能力更强。更多还原     

基于支持向量机模型的湘江枯水预报研究

随着枯水期水资源短缺问题日益突出,人们对枯水径流的研究也越来越重视.运用支持向量机模型对湘江湘潭站年最小7 d平均流量进行预测.为了检测预报效果,将其预报结果与投影寻踪模型、人工神经网络模型的预报结果进行比较,表明支持向量机模型的误差合格率最高,预报精度也最高.     

支持向量机在径流预报中的应用探讨

径流的形成是一个涉及到水文、气象及力学等复杂的过程,中间包含降水、蒸发、产流、汇流等复杂过程,还受到地形、地貌、流域下垫面和人类活动等因素影响,其变化非常复杂,作为一种新的机器学习算法,支持向量机在样本有限的情况下,采用结构风险最小化准则,把学习问题转化为一个二次规划问题,从而得到唯一的全局最优解。尝试将最小二乘支持向量机技术用于径流预测,并与BP神经网络方法的预测结果进行了对比,证明SVM方法预测径流量精度要优于BP神经网络方法。     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更好的应用价值。     

支持向量机在水文气象中的应用

根据1951～2004年丹江口水库流域流量资料及国家气候中心的74项大气环流与海温资料等,利用支持向量机并采用遥相关挑选因子与预报对象一一相对应的距平拟合率,建立了丹江口水库流域不同季节的流量预测模型。小样本量交叉验证和实例预报的结果表明:预测模型是具有良好的稳定性,运算速度比传统的预报方法大大加快。     

基于人工鱼群优化的支持向量机的水文预报系统

在比较各种水文预报方法的基础上,研究利用一种改进的支持向量机算法(SVM)对水文进行预测。阐述支持向量机理论的理论基础和原理,针对缺陷,提出基于人工鱼群优化的支持向量机算法(AFSVM),介绍人工鱼群算法基本理论和AFSVM,建立基于人工鱼群优化的支持向量机的拉萨河水文预报系统模型,并与标准的支持向量机预测模型进行对比。实验结果表明,AFSVM与标准SVM模型的预测精度差不多,AFSVM的训练速度优于标准SVM训练速度。     

基于支持向量机的钱塘江潮时预报方法北大核心

针对在钱塘江潮时预报中经验模型和传统神经网络的可靠性不足的问题,提出一种基于支持向量机的钱塘江涌潮到达时间预报方法。通过历史数据了解并分析钱塘江涌潮的周期性以及各涌潮周期间的相关性,取预报日期前后一个月的数据作为一个预报模型,以预测日期前一个月以及近5年内同一月份的隔日时间差数据作为训练样本,利用支持向量机预测未来涌潮到达时间。最后,通过对钱塘江沿岸多个水文站2015年农历八月初一至八月二十一的隔日时间差实例预测,验证了方法的有效性。     

多层次分类支持向量机在水质评价中的应用

在介绍支持向量机(SVM)原理的基础上,设计采用多层次分类器改进支持向量机的分类算法,并利用该方法评价磐石市的地下水水质,同时与模糊综合评判、灰色聚类和神经网络评价结果对比。结果表明,该方法可以用于水资源学科的分类评价计算。     

基于随机森林与支持向量机的水库长期径流预报

水库长期径流预报对于研判水文情势变化和指导水库调度管理具有重要意义。针对云南龙江水库年、汛期和枯水期平均入库径流,利用随机森林从环流指数、海温、气压和前期月径流中选取关键预报因子,基于粒子群与交叉验证相结合的算法优选参数,建立随机森林与支持向量机模型,开展龙江水库入库径流预报研究。结果表明:太平洋中北部与西部气候因子对径流预报的影响较大,前期月径流对年、汛期径流的重要性偏低,但对枯水期的影响程度与部分气候因子相当。随机森林与支持向量机模型总体精度较高,模拟与预报的合格率均达到85%以上,平均绝对百分比误差均低于15%,支持向量机的泛化能力强于随机森林,但二者在局部极值流量处的预报精度尚有待提升。     

基于GA参数优选的ε-SVR地下水位预测方法

选择径向基核函数建立地下水位ε-SVR预测模型,基于遗传算法实现惩罚因子C、核函数参数γ和不敏感损失函数参数ε的自适应优选,并运用建立的模型对某地傍河试验井地下水位进行预测.结果表明:基于GA参数优选的ε-SVR模型对训练样本的拟合误差平方和仅为0.0022,回归系数达到0.9933,检验样本拟合结果平均相对误差仅为1...     

基于支持向量机的微咸水灌溉下土壤盐分预测

土壤水盐运移过程是农田土壤水盐调控的重要基础,是一个极其复杂的物理化学过程。本文在室内微咸水灌溉试验的基础上,引入支持向量机(SVM)模型应用于咸淡水交替灌溉后对土壤溶液EC、pH值的预测研究,并对其预测效果进行了分析。研究表明,支持向量机回归模型能够有效地模拟预测咸淡水交替灌溉下土壤EC和pH值变化规律,模型平均相对误差均小于10%,具有较高的预测精度。本方法为土壤水盐运移研究提供了一条新的思路和途径,具有较大的实用价值。     

回归支持向量机模型及其在年径流预测中的应用

研究交叉验证（CV）SVR年径流预测模型,以云南省清水江革雷站为例进行实例分析。利用SPSS软件选取年径流影响因子,确定输入向量;采用CV方法搜寻SVR惩罚因子C和核函数参数g,构建CV-SVR多元变量年径流预测模型,并构建GA-BP、传统BP模型作为对比模型。利用所构建的模型对实例进行预测。结果表明：CVSVR模型对实例后15年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.4596%、9.3035%,预测精度和泛化能力均优于GA-BP、传统BP模型,表明CV能有效搜寻SVR惩罚因子C和核函数参数g。CV-SVR模型具有预测精度高、泛化能力强以及算法稳定等特点。     

遗传算法与最小二乘支持向量机在年径流预测中的应用

为克服最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数的不足,利用遗传优化算法(GA)选择LSSVM惩罚因子C和核函数参数σ2,构建GA-LSSVM年径流预测模型,并构建LSSVM、GA-BP和传统BP模型作为对比,以云南省河边水文站年径流预测为例进行实例研究,利用实例前30 a和后22 a资料分别对各模型进行训练和预测。结果表明:GA-LSSVM模型对实例后22 a年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.13%、8.66%,预测精度优于LSSVM、GA-BP和传统BP模型。GA算法全局寻优能力强,利用GA算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

支持向量机在混凝土CT图像分析中的应用

本文引入支持向量机的理论,对混凝土圆柱体试件一个扫描断面的5个应力阶段的CT图像进行了分析,对图像的各组成部分进行了分类,获得了清晰的裂纹、孔洞区域,砂浆区域和骨料区域的空间位置分布.从支持向量机分类图中可以看出裂纹或孔洞区域的大小分布随应力的变化过程,表明混凝土试件经历了压密、扩容、CT尺度裂纹扩展贯通至最后破坏的过程.与用传统的统计方法研究混凝土CT图像相比,支持向量机法不仅可以反映出材料的空间分布,同时使复杂的CT数分布对应转换为三类数的分布,简化了下一步统计分析.     

时间序列分析在地下水位动态预测中的应用

运用时间序列分析理论,结合SPSS统计分析软件对贺兰县地下水位动态变化进行了模拟和预测。结果表明:研究区地下水位年际变化无明显上升或下降的趋势,这表明研究区地下水补径排条件近年来变化不大。受灌溉和降雨的影响,研究区地下水位变化主要表现为一年的显著周期。将时间序列分析方法应用于地下水位动态预测,可以了解地下水位的变化趋势和周期性。该法计算简单,所需资料较少,短期预测精度较高。但是在实际应用时,数据需要不断及时更新。同时由于没有考虑地下水流系统的动力学机制和未来突变情况,应用时受到了一定限制,还需进一步完善。     

支持向量机在围岩稳定性分类中的应用

在分析不同围岩稳定性分类方法及支持向量机算法的基础上,提出基于支持向量机的围岩稳定性分类方法。随后采用Matlab语言编程,建立了相应的围岩稳定性分类模型。以某蓄能电站一期工程的实例数据为学习样本,进行学习测试,得到训练效果较佳的分类模型,并用此模型对其二期工程的围岩进行了分类。分析中同BP神经网络算法进行了对比,结果表明,用支持向量机方法来进行围岩稳定性分类是可行的,且具有一定的优越性。     

大坝安全监测的兽棒最小二乘 支持向量机模型

针对目前在大坝监测模型中应用较多的支持向量机模型,以土坝沉降监测实例比较分析了监 测数据中是否含有异常值的两种情况的最小二乘支持向量机监测模型的拟合精度与预测精度,发现异 常值的影响不容忽视。通过改进支持向量机模型中的损失函数,建立了大坝安全监测的普棒最小二乘 支持向量机模型(RLS一SVM )。实例分析表明:不论监测数据是否含有异常值RLS一SVM均可达到较 好的拟合精度和预测效果,优于普通LS一SVM模型。